Parte 1 Probabilidades
Professora Ariane Ferreira
Contedos
2
Contedos
Parte 1.1 : Conceitos de Probabilidade
Parte 1.2 : Variveis Aleatrias
[2] Magalhes, M.; Moura Neto, F.D. Apostila Probabilidade e Estatistica. Modelos Matemticos
na presena de incertezas.
[3] Montgomery, D.; Runger,D.C. Applied Statistics and Probability for Engineers, 4 ed.J.Wiley
[4] Saporta, G. Probabilits et Statistique analyse de donnes, 2 ed.Technip.
[5] Tenenhaus, M. Statistique Mthodes pour dcrire, expliquer et prvoir, ed. Dunod.
IPRJ UERJ
Processos Estocsticos
Ariane Ferreira
Contedos da parte 1
3
IPRJ UERJ
Processos Estocsticos
Ariane Ferreira
Conceitos de probabilidade
4
Aleatoriedade
A Teoria das Probabilidades estuda os fenmenos aleatrios.
Fenmeno Aleatrio:
So os fenmenos cujo resultado no pode ser previsto exatamente.
Se o fenmeno se repetir, sob as mesmas condies,o resultado no ser
sempre o mesmo.
Experimento:
definido como qualquer procedimento que pode ser repetido e que, em
cada uma das repeties produz um resultado, isto , h uma variabilidade
nos resultados das realizaes do experimento.
Qualquer fenmeno que possa ser executado pelo homem.
Experimento determinstico :
Sob condies idnticas, os resultados so sempre os mesmos, qualquer
que seja o nmero de ocorrncia.
IPRJ-UERJ
Processos Estocsticos
Ariane Ferreira
Conceitos de probabilidade
5
Experimento Aleatrio
Experimento Aleatrio:
Um experimento qualificado de aletrio se no se pode prever seu
resultado antes de sua concluso.
Se o mesmo experimento repetido em condies idnticas, ele pode ter
resultados diferentes.
Cada experimento pode ser repetido indefinidamente sob as mesmas
condies. Embora no saibamos o resultado que ir ocorrer, podemos
descrever o conjunto de todos os possveis resultados.
Notao:
Experimento aleatrio: E
Resultado de um experimento aleatrio: elemento
Conjunto de todos os resultados possveis (universo dos possveis) do
experimento aletrio E chamado de espao amostral S (ou ).
Exemplos de Experimentos Aleatrios :
Lanamento de uma moeda, lanamento de um dado.
IPRJ UERJ
Processos Estocsticos
Ariane Ferreira
Conceitos de probabilidade
6
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
7
IPRJ UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
8
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
9
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
10
S o evento certo;
o evento impossivel;
Interseo A
B : a ocorrncia simultnea de A e B
Unio A
B: a ocorrncia de A ou B
A o complemento de A
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
11
Eventos Aleatrios
Evento Complementar
formado por todos os pontos que pertencem ao espao amostral S
mas no pertencem a A.
A = 1 A
Evento Coletivamente Exaustivos
No mnimo um dos eventos deve ocorrer quando o experimento
conduzido.
Experimento de jogar 2 moedas, os quatro possveis resultados so
coletivamente exaustivos.
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
12
favorvel A se A;
desfavorvel A se A
IPRJ UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
13
Diagramas de Venn
Unio: C = A
B
Complementar
IPRJ UERJ
Interseo: D = A
B
Mutuamente exclusivos: E = A
B=
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
14
AB = AB
AB = AB
IPRJ UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
15
iii)
A
i =1
=S
i j A i A j =
A i = S
IPRJ UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
16
Incerteza e Risco
Deciso e Risco:
Suponhamos que tenhamos que tomar uma deciso sobre uma situao
sujeita diversos fatores de incerteza ou aleatoriedade.
Por exemplo tomar uma deciso antes de um experimento a ser realizado e
que o resultado depende de um evento aleatrio.
Podemos definir uma situao de risco ( que a de tomar uma deciso
incorreta, um ERRO) com relao aos objetivos fixados.
Exemplo 1: Perante um salgadinho que voc desconhece se esta prprio ou
deteriorado para o consumo, voc tem que decidir se come ou no:
Tabela de possibilidades
Deciso\Realidade
Deteriorado
Prprio para consumo
IPRJ-UERJ
No comer
Deciso correta
ERRO
Comer
ERRO GRAVE
Deciso correta
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
17
Incerteza e Risco
Deciso e Risco:
Exemplo 2: No julgamento de um ru, o juiz decreta sentenas (decises) sem
conhecer todos os fatos (Incerteza). Haver sentenas corretas e incorretas.
Haver ainda uma sentena ainda mais incorreta: condenar um inocente.
Tabela de possibilidades
IPRJ-UERJ
Sentena\Ru
Inocente
Culpado
Deciso correta
ERRO
ERRO GRAVE
Deciso correta
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
18
a
P ( A) =
n
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
19
Laplace
Considere espaos amostrais com um nmero finito de elementos (dados,
moedas, baralho de 52 cartas).
Laplace considerou que em um experimento com n diferentes resultados, e no
havendo nenhuma diferena substancial entre os resultados, as frequncias
relativas de cada um deles iriam oscilar em torno de 1/n.
Limitaes do Conceito Clssico de Probabilidade:
Experimento de dAlembert
(para cultura geral faa uma pesquisa sobre o clebre paradoxo de Bertrand)
Exemplo 4: Jogue um dado e observe a face.
O espao amostral S={1,2,3,4,5,6}, h 6 resultados possveis.
A Probabilidade (`sair uma dada face') =1/6
a) Seja A={1,2,3,4}, P(A) = 4/6=2/3
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
20
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
21
Experimento de dAlembert
DAlembert tentou aplicar o modelo de Laplace ao experimento de lanar duas
moedas e contar o nmero de caras que ocorrem.
Espao Amostral S={0,1,2}.
Seguindo o modelo de Laplace, e como o espao amostral tem trs elementos,
d'Alembert atribuiu as seguintes probabilidades aos eventos:
A0 ={0} no sair nenhuma cara , P(A0)=1/3;
A1 ={1} sair uma cara , P(A1)=1/3;
A2 ={1} no sair nenhuma cara , P(A2)=1/3
d'Alembert realizou e anotou o resultado dos experimentos e constatou que as
frequncias relativas de sair 0 caras, sair 1 cara e sair 2 caras no ficavam
oscilando em torno de 1/3, por mais que ele fosse repetindo o experimento, como
previsto pela aplicao do modelo de Laplace.
As frequncias relativas oscilavam em torno de 1/4, 1/2 e 1/4, respectivamente.
A previso de qualquer modelo terico deve ser confrontada com resultados experimentais
Devemos rejeitar a aplicao do modelo de Laplace ao experimento de d'Alembert.
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
22
numero de 6 obtidos
P ( A) =
= f
numero de experimentos
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
23
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
24
Probabilidade
Para um evento E em S, podemos definir a existncia de uma funo P tal que
P represente a probabilidade que x pertena a E. Isto :
P(E) = Pr (x E)
Alternativamente, pode ser enunciado:
Para um evento E em S, podemos definir a existncia de uma funo P tal que
P represente a probabilidade de ocorrncia de E. Isto :
P(E) = Pr(ocorrncia do evento E)
Para determinar a probabilidade de um evento, usaremos o ponto de vista das
freqncias relativas:
P(E) = m(E) / m(S)
onde m(E) e m(S) representam as medidas de E e S.
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
25
Funo Probabilidade
Axioma de Kolmogorov
Para um evento E em S, associamos um nmero positivo entre 0 e 1.
Uma funo P uma probabilidade se ela satisfazer as propriedades:
i.
ii.
(unio disjunta)
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
26
Propriedades de Probabilidade
v. para eventos Ai; i = 1, 2,...,+ mutuamente exclusivos (eventos disjuntos, isto
no tem elementos em comum).
A probabilidade da unio disjunta a soma das probabilidades dos eventos
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
27
Soma de Probabilidades
Para os eventos E1 e E2 mutuamente exclusivos (disjuntos) E1 E2 =
a soma das probabilidades dada pela generalizao da propriedade 3.
k
P(E1 E 2 L E k ) = P(E i )
i =1
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
28
Soma de Probabilidades
Para o caso de trs eventos, E1 , E2 e E3 (que no so mutuamente exclusivos) a
generalizao anterior :
P(E1 E2 E3 ) =
P(E1 ) + P(E2 ) + P(E3 ) - [P(E1 E2 ) + P(E1 E3 ) + P(E2 E3 )] + P(E1 E2 E3 )
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
29
Desigualdade de Boole
Sejam os eventos A1,..., An eventos. Ento
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
30
Regra do Complemento
A regra do complemento usada para determinar a probabilidade de um evento
ocorrer subtraindo-se a probabilidade do evento no ocorrer de 1.
Seja P(A) a probabilidade do evento A e P ( A ) a probabilidade do evento no A
(complemento de A).
P( A) + P ( A ) = 1
P( A) = 1 P ( A )
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
31
Exemplo 5
A companhia de aviao X recentemente forneceu a seguinte informao para o
Departamento de Aviao Civil (DAC) sobre os vos da origem A ao destino B
Chegada
Freqncia
Adiantada
100
No horrio
800
Atrasada
75
Cancelado
25
TOTAL
1000
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
32
Continuao do Exemplo 5
Seja C o evento: o vo chega no Horrio.
Ento P(C) = 800/ 1000 = 0,8
Seja D o evento: o vo cancelado.
Ento P(D) = 25 / 1000 = 0,025
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
33
Exemplo 6
A tabela abaixo fornece algumas informaes sobre o nmero de alunos de um
Instituto de Matemtica. Considera-se uma estratificao do universo dos alunos em
2 categorias: curso e sexo.
Curso\Sexo
Homem (H)
Mulher (M)
Total
(P) Matemtica
70
40
110
15
15
30
(E) Estatstica
10
20
30
(C) Computao
20
10
30
115
85
200
Total
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
34
Continuao do Exemplo 6
1) Qual a probabilidade de um aluno ser de estatstica?
P( H ) =
115
= 57,5%
200
P( H A) =
15
7,5
=
= 7,5%
200 100
P ( H A) = P ( H ) + P ( A) P( H A)
P ( H A) = 57,5% + 15% 7,5% = 65%
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
35
Continuao do Exemplo 6
5) Qual a probabilidade de um aluno ser de matemtica ou de computao?
Note que os eventos A e C so disjuntos.
P( A C ) = P( A) + P(C ) P( A C )
P( A C ) = P( A) + P(C ) P()
P( A C ) =
IPRJ-UERJ
30
30
60
30
+
=
=
= 30%
200 200 200 100
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
36
Probabilidade Condicional
Seja E um experimento com espao amostral S e probabilidade P.
Queremos analisar a probabilidade de um evento A,
dado que algum outro evento, B, tenha ocorrido.
Essa probabilidade chamada
probabilidade do evento A condicional ocorrncia do evento B.
Notao P(A/B) probabilidade de A sabendo B.
Para modelar esta situao tem que se levar em considerao que:
garantida a ocorrncia de um elemento de B;
elementos de S\B (espao amostral sem B) no ocorrem
Ento, espao amostral adequado reduzido de S para B, e os eventos
A de S passam para os eventos (A
B)
B.
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
37
Probabilidade Condicional
Probabilidade do evento A condicional ocorrncia do evento B:
P( A B)
se P(B)> 0
P( A / B) = P(B)
P( A), caso contrario
Verificando as propriedades:
P( S B) P( B)
P( S / B) =
=
=1
P( B)
P( B)
P U Ai B P U( Ai B )
i
=
P(U Ai / B) =
i
P( B)
P( B)
P( Ai B )
i P( B) = i P( Ai / B)
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
38
P( A B) = P( A / B) P( B)
A regra do produto pode ser usada quando temos experimentos que ocorrem em
sequncia (ou em etapas) e estamos interessados na probabilidade dos dois
eventos, em cada uma das etapas, ocorrerem, isto , na probabilidade de ocorrncia
simultnea dos dois eventos.
Sejam os A1 o evento da 1 etapa e A2 o evento da 2 etapa.
Ento:
P(A2A1)=P(A2/A1).P(A1)
ou
P(A2A1)=P(A1).P(A2/A1)
1a Etapa 2a Etapa
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
39
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
40
Exemplo 7
Qual a probabilidade de sarem 2 cartas de copas em uma extrao de 2 cartas de
um baralho, sem reposio?
Considere os eventos:
A sair carta de copas na 1 retirada;
B sair carta de copas na 2 retirada.
O evento de interesse a ocorrncia simultnea de A e de B (AB).
P( A) =
P( B / A) =
ocorrncias favoraveis a A
13(cartas de copas)
=
total de ocorrncias possiveis
52( total de cartas)
ocorrncias favoraveis a B/A 12(cartas de copas - 1)
=
total de ocorrncias possiveis
51( total de cartas - 1)
P ( A B ) = P ( B / A) P ( A) =
IPRJ-UERJ
Probabilidade e Estatstica
12 13
51 52
Ariane Ferreira
Conceitos de probabilidade
41
Exemplo 8
Uma faculdade coletou a seguinte informao sobre seus estudantes de graduao:
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
42
Continuao do Exemplo 8
Uma faculdade coletou a seguinte informao sobre seus estudantes de graduao:
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
43
Eventos Independentes
O evento A independente de B se: P ( A / B ) = P ( A)
O conhecimento de B no altera as chances de realisao de A.
Igualmente:
P( B / A) = P( B)
P( A B )
P ( B / A) =
= P( B)
P ( A)
P( A / B) = P( A)
P( A B )
= P ( A)
P( B)
IPRJ-UERJ
P( A B) = P( A) P( B)
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
44
P( A B) = P( A) P( B)
Propriedades: Se A e B so independentes, ento tambm so independentes os
eventos:
a) B e A
b) B e A
c) A e B
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
45
Exemplo 9
Um dado equilibrado jogado 2 vezes. Sejam os eventos:
A o 1 dado mostra um nmero par;
B o 2 dado mostra um 5 ou um 6.
Pergunta: A e B so independentes?
Claro que so independentes, a ocorrncia de um deles no afeta de modo algum a
ocorrncia do outro: um no tem relao com o outro.
Vamos verificar: A e B e A
B
Assim :
18 1
P ( A) =
=
36 2
IPRJ-UERJ
12 1
P( B) =
=
36 3
P( A B) =
1
P( A) P ( B ) =
6
Probabilidade e Estatstica
6 1
=
36 6
1
P( A B ) = P ( A) P( B ) =
6
Ariane Ferreira
Conceitos de probabilidade
46
Exemplo 10
De um baralho completo retira-se uma carta, anota-se o naipe e devolve-se a carta
ao baralho. Retira-se uma segunda carta. Qual a probabilidade de ter sado uma
carta de ouros e outra de paus nesta ordem?
Sabendo que oespao Amostral tem 5252 elementos:
P( A B) =
13 13 1
=
52 52 16
P ( A B ) = P ( A) P ( B ) =
IPRJ-UERJ
13 13 1
=
52 52 16
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
47
Exemplo 11
Suponha que um escritrio possua 100 mquinas de calcular.
Algumas so eltricas (E) e outras mecnicas (M); algumas novas (N) e outras so
muito usadas (U). A tabela informa o nmero de mquinas em cada classe:
Uma pessoa entra no escritrio e pega uma mquina eltrica ao acaso. Qual
a probabilidade de que esta seja nova?
Evento mquina nova (N) dado que eltrica (E), P(N/E)?
Usando a abordagem de Laplace, calculamos as probabilidades baixo:
40
P( N E )
40 2
P( N / E ) =
= 100 =
=
60
P( E )
100 3
100
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
48
Probabilidade Total
Considere o espao amostral S contendo o evento B que consiste de k
componentes disjuntos (mutuamente exclusivos), que formam uma partio de S:
B = B1 B2 ... Bk ;
Bi Bj =
para ij
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
49
A = U (Bi A)
k
i =1
Ento:
k
k
P( A) = P U( Bi A) = P( A Bi )
i
i =1
Usando a regra da Multiplicao temos o teorema da Probabilidade Total:
P(A) = P(B1 ) . P(A/B1 ) +....+ P(Bk ) . P(A/Bk )
k
P ( A) = P ( A / Bi ) P( Bi )
i =1
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
50
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
51
Exemplos 12 e 13
Exemplo 12: Jogue um dado e considere os eventos:
A1 sair um primo A1={2,3,5}
A2 sair um par A2={2,4,6}
A3 sair 1 A3={1}
Verifique se os eventos A1, A2 , A3 formam uma partio do espao amostral S.
Os eventos A1, A2 , A3 no formam uma partio de S:
A1 A2 A3 =S mas A1A2
Os eventos so exaustivos mas no excludentes com relao a S.
Exemplo 13: Jogue um dado e considere o espao amostral S={1,2,3,4,5,6}.
Sejam os eventos:
B1 sair um mpar B1={1,3,5}
B2 sair um primo par B2={2}
B3 sair 4 ou 6 B3={4,6}
Os eventos B1, B2 , B3 formam uma partio de S.
IPRJ-UERJ
Ariane Ferreira
Conceitos de probabilidade
52
Exemplo 14
Considere 2 caixas, cada uma contendo parafusos grandes e pequenos.
Suponha que uma caixa 1 contenha 60 parafusos grandes e 40 pequenos e que a
outra caixa 2 contenha 10 parafusos grandes e 20 pequenos.
Suponha que escolhida uma caixa ao acaso e dela retirado um parafuso.
Determine a probabilidade de que este seja grande.
Decompomos este experimento em duas etapas:
1 Etapa: excolher uma caixa
1
P( A1 ) = P ( A2 ) =
2
60 1 10 1 7
P ( B ) = P( B / A1 ) P ( A1 ) + P ( B / A2 ) P ( A2 ) =
+ =
100 2 30 2 15
A probabilidade de ser escolhido um parafuso grande 7/15.
IPRJ-UERJ
Ariane Ferreira
Conceitos de probabilidade
53
Exemplo 15
Considere um lote de 100 mas sendo que 10 so podres e 90 so boas.
Deste lote extramos em dois dias seguidos uma ma por dia.
Assumindo que dois dias so insuficientes para as mas boas passarem a podres,
qual a probabilidade da ma do 2 dia estar podre?
Decompomos este experimento em duas etapas:
1 Etapa: Pegar uma ma no 1 dia
Partio
9 10 10 90
1
P ( B ) = P( B / A1 ) P ( A1 ) + P ( B / A2 ) P ( A2 ) =
+
=
99 100 99 100 10
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
54
P( A / B) P( B)
P( B / A) =
P( A)
A equao acima obtida pela eliminao de P(A
B) das probabilidades
condicionais P(A/B) e P(B/A) :
P( A B)
P( A B)
P( A / B) =
e P ( B / A) =
P( B)
P( A)
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
55
P( A Bi ) = P ( A / Bi ) P( Bi )
P ( A) = P( A / Bi ) P( Bi )
i =1
P( Bi / A) =
P( A / Bi ) P( Bi )
k
P( A / B
j =1
IPRJ-UERJ
Probabilidade e Estatstica
) P( B j )
Ariane Ferreira
Conceitos de probabilidade
56
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
57
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
58
Exemplo 16
Trs mquinas diferentes M1, M2 e M3 so utilizadas para produzir parafusos do
mesmo tipo. Suponha que M1 produz 20% do total de parafusos, M2 produz 30% do
mesmo total e M3 produz 50%. Suponha ainda que 1% dos parafusos produzidos
por M1, 2% de parafusos de M2 e 3% dos parafusos de M3 so defeituosos. Assuma
que um parafuso escolhido ao acaso de toda a produo e verfica-se que ele
defeituoso. Qual aprobabilidade de ter sido produzido pela mquina M2?
Considere os eventos:
M1 o parafuso produzido pela mquina 1, P(M1)=0,2
M2 o parafuso produzido pela mquina 2, P(M2)=0,3
M3 o parafuso produzido pela mquina 3, P(M3)=0,5
D o parafuso defeituoso.
P(D/ M1)=0,01; P(D/ M2)=0,02; P(D/ M3)=0,03
Calcular P(M2/D), probabilidade do parafuso defeituoso ter vindo da mquina M2,
probabilidade a posteriori de M2 .
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
59
Continuao do Exemplo 16
H duas etapas:
1 Etapa a produo do parafuso em uma das mquinas (escolha de uma
mquina)
2 Etapa a verificao da qualidade do parafuso (se ou no defeituoso).
P( M 2 / D) =
P( D / M 2 ) P( M 2 )
P( D / M 1 ) P(M 1 ) + P( D / M 2 ) P( M 2 ) + P( D / M 3 ) P( M 3 )
0,02 0,3
6
P( M 2 / D) =
=
= 26%
0,01 0,2 + 0,02 0,3 + 0,03 0,5 2 + 6 + 15
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
60
Exemplo 17
Para selecionar seus funcionrios, uma empresa oferece aos candidatos um curso
de treinamento durante 1 semana. Ao final, eles so submetidos a uma prova e 25%
so classificados como bons (B), 50% como mdios (M) e os outros 25% como
fracos (F).
Como medida de economia, o Departamento de Seleo pretende substituir o
treinamento por um teste contendo perguntas envolvendo conhecimentos gerais e
especficos, mas, para isso, gostaria de conhecer a probabilidade de que um
indivduo aprovado no teste fosse considerado fraco, caso fizesse o curso. Assim,
neste ano, antes do incio do curso, os candidatos foram submetidos ao teste e, de
acordo com os resultados, receberam os seguintes conceitos:
Aprovado (A) et Reprovado (R)
As seguintes probabilidades condicionais foram obtidas:
P(A/B)=0,8
P(A/M)=0,5
P(A/F)=0,2
Sabemos: P(B)=0,25; P(M)=0,50; P(F)=0,25
Determine P(F/A) o candidato ser considerado fraco sabendo que foi aprovado.
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
61
Continuao do Exemplo 17
P(F/A):
P( F / A) =
P( A / F ) P( F )
P( A / B) P( B) + P( A / M ) P( M ) + P( A / F ) P( F )
P( F / A) =
0,20 0,25
= 0,10 = 10%
0,80 0,25 + 0,50 0,50 + 0,20 0,25
Apenas 10% dos aprovados que seriam classificados como fracos durante o
curso.
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
62
Exemplo 18
Processo de fabricao de semicondutores: contaminao de partculas.
Unidade de fabricao: placas de silcio chamadas wafers.
Uma inspeo visual realisada nos wafers obtidos apos um processo fabricao de
semicondures resultou na tabela abaixo:
N de partculas contaminantes
Proporo de wafers
0,40
0,20
0,15
0,10
0,05
5 ou mais
0,10
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
63
Exemplo 19
A tabela abaixo lista o histrico de 940 wafers obtidos aps um processo fabricao
de semicondutores. Suponha que um wafer selecionado aleatoriamente.
Contaminao
Centro
Borda
Total
fraca
514
68
582
forte
112
246
358
Total
626
314
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
64
Exemplo 20
A tabela abaixo lista o histrico de wafers obtidos aps um processo fabricao de
semicondutores. Suponha que um wafer selecionado aleatoriamente.
N de partculas
Centro
Borda
Total
0,30
0,10
0,40
0,15
0,05
0,20
0,10
0,05
0,15
0,06
0,04
0,10
0,04
0,01
0,05
5 ou mais
0,07
0,03
0,10
Total
0,72
0,28
1,00
P(B)=0,28
P(AB)=0,01+0,03=0,04
P(AB)=P(A)+P(B)-P(AB)=0,15+0,28-0,04=0,39
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
65
Continuao do Exemplo 20
b) Qual a probabilidade de que o wafer contenha menos de 2 partculas (evento
D) ou
ambos mais de 4 particulas e de que esta contaminao esteja situada na borda do
wafer (evento E)?
P(D)=0,40+0,20=0,60
P(E)=0,03
P(DE)=
P(DE)=P(A)+P(B)-P(AB)=0,60+0,03=0,63
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
66
Exemplo 21
Em um processo de fabricao de pelculas finas:
10 % das unidades contm falhas de superfcie e
25% das unidades contendo falhas de superfcie so funcionalmente defeituosas.
apenas 5% das unidades sem falhas de superfcie so defeituosas.
Seja o evento D a unidade defeituosa e o evento F a unidade contm falhas de
superfcie.
a) Qual a probabilidade de que a unidade seja defeituosa sabendo que ela
contm falhas de superfcie P(D/F)?
P(D/F)=0,25.
b) Qual a probabilidade de que uma unidade seja defeituosa sabendo que ela no
contm falhas de superfcie ?
P( D / F ) = 0,05
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
67
Exemplo 22
A tabela abaixo apresenta 400 unidades classificadas por conterem falhas de
superfcie e serem funcionalmente defeituosas.
Seja o evento D a unidade defeituosa e o evento F a unidade contm falhas de
superfcie.
Contm Falhas de Superficie
Defeituosa
Sim (evento F) No
Total
Sim(evento D)
10
18
28
No
30
342
372
Total
40
360
400
Calcule as seguintes probabilidades: P(F), P(D), P(D/F), P(DF), P ( D / F ) P ( D / F ) P ( D / F )
P( F ) =
40
= 0,1
400
10
P( D F ) =
400
IPRJ-UERJ
P(D) =
28
= 0,07
400
P ( F / D) =
10
= 0,36
28
10
P( D F ) 400 10
P( D / F ) =
=
=
= 0,25
40
P( F )
40
400
Probabilidade e Estatstica
P( D / F ) =
30
= 0,75
40
P( D / F ) =
18
= 0,05
360
P( D / F ) =
342
= 0,95
360
Ariane Ferreira
Conceitos de probabilidade
68
Continuao do Exemplo 22
Contm Falhas de Superficie
Defeituosa
Sim (evento F) No
Total
Sim(evento D)
10
18
28
No
30
342
372
Total
40
360
400
rvore de deciso
Falhas de superfcie
No
360
400
No
342
360
IPRJ-UERJ
Sim
40
400
Defeituosas
Sim
18
360
No
30
40
Probabilidade e Estatstica
Sim
10
40
Ariane Ferreira
Conceitos de probabilidade
69
Exemplo 23
Em um processo de fabricao so produzidas 850 unidades/batelada, das quais 50
unidades so defeituosas.
a) Duas unidades so selecionadas aleatoriamente de uma batelada sem
reposio.
Qual a probabilidade de que a segunda unidade seja defeituosa dado que a primeira
unidade defeituosa?
Seja A o evento a primeira unidade defeituosa e B o evento a segunda unidade
defeituosa. Calcule a Probabilidade P(B/A)?
49
P( B / A) =
= 0,06
849
b) Trs unidades so selecionadas aleatoriamente de uma batelada sem reposio.
Qual a probabilidade de que as duas primeiras unidades sejam defeituosas (D) e
que a terceira unidade no seja defeituosa (N)?
P( DDN ) =
IPRJ-UERJ
50 49 800
= 0,0032
850 849 848
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
70
Exemplo 24
A probabilidade de que a primeira etapa do controlador numrico de uma mquina
para a fabricao de pistes de alta rotao esteja dentro das especificaes de
fabricao de 0,90.
As falhas so devido s variaes do metal, ao alignement do dispositivo eltrico, s
condies da lmina de corte, vibrao e s condies ambientais.
Sabendo que a primeira etapa esta dentro das especificaesde fabricao, a
probabilidade de que a segunda etapa tambm esteja dentro das especificaes
de 0,95.
Qual a probabilidade de que ambas as etapas estejam dentro das especificaes?
Sejam os eventos :
A=primeira etapa dentro das especificaes
B =segunda etapa dentro das especificaes
Queremos saber P(A
B).
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
71
Exemplo 25
Considere o processo de fabricao de semicondutores: contaminao de partculas.
Uma inspeo visual realisada nos wafers obtidos apos um processo fabricao de
semicondures resultou na tabela abaixo:
Probabilidade de falha
Nvel de contaminao
Probabilidade do Nvel
0,1
Alto
0,2
0,005
Baixo
0,8
Sejam os eventos:
F o evento o produto falha
H o evento o chip est expoto aos altos nveis de contaminao de partculas.
Qual a probabilidade de que o produto falhe?
A probabilidade pedida P (F). Da tabela acima sabemos:
Podemos usar o teorema da probabilidade total:
P ( F / H ) = 0 ,10
P ( H ) = 0 , 20
P ( F / H ) = 0 , 005
P ( H ) = 0 ,8
P( F ) = P( F H ) + P( F H ) = P( F / H ) P( H ) + P( F / H ) P( H )
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
72
Exemplo 26
Considere o processo de fabricao de semicondutores: contaminao de partculas.
Uma inspeo visual realisada nos wafers obtidos apos um processo fabricao de
semicondures resultou na tabela abaixo:
Probabilidade de Falhas
Nvel de contaminao
0,10
Alto
0,01
Mdio
0,001
Baixo
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
73
Exemplo 27
Em um processo de fabricao so produzidas 850 unidades/batelada, das quais 50
unidades so defeituosas.
a) Duas unidades so selecionadas aleatoriamente de uma batelada, mas a
primeira unidade reposta antes de retirar-se a segunda unidade.
Qual a probabilidade de que a segunda unidade seja defeituosa dado que a primeira
unidade defeituosa?
Seja A o evento a primeira unidade defeituosa e B o evento a segunda unidade
defeituosa. Calcule a Probabilidade P(B/A)?
50
P( B / A) =
= 0,058
850
P( A B) =
IPRJ-UERJ
50 50
= 0,0035
850 850
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
74
Exemplo 28
A tabela abaixo apresenta 400 unidades classificadas por conterem falhas de
superfcie e serem funcionalmente defeituosas.
Seja o evento D a unidade defeituosa e o evento F a unidade contm falhas de
superfcie.
Contm Falhas de Superficie
Defeituosa
Sim (evento F) No
Total
Sim(evento D)
2
18
20
No
38
342
380
Total
40
360
400
Calcule as seguintes probabilidades: P(F), P(D), P(D/F), P(DF),
P( D / F ) =
P(D) =
2
= 0,05
40
20
= 0,05
400
A probabilidade de D
no depende de F.
P( F ) =
P( D F ) = P( F ) P( D) =
IPRJ-UERJ
P( F / D) =
2
= 0,10
20
40
= 0,10
400
A probabilidade de F
no depende de D.
2 2
1
=
= 0,005
40 20 200
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
75
Exemplo 29
Em um processo de fabricao so produzidas 850 unidades/batelada, das quais 50
unidades so defeituosas.
a) Duas unidades so selecionadas aleatoriamente de uma batelada, sem
reposio.
Seja A o evento a primeira unidade defeituosa e B o evento a segunda unidade
defeituosa.
Verifique se os eventos A e B so ou no so independentes.
Do Exemplo 23 sabemos que:
P( B / A) =
49
849
P( B) = P ( B / A) P ( A) + P( B / A ) P( A )
P( B) =
IPRJ-UERJ
49 50
50 800 50
=
849 850 849 850 850
Probabilidade e Estatstica
P ( B / A) P( B )
Ariane Ferreira
Conceitos de probabilidade
76
Exemplo 30
O circuito em srie abaixo que opera somente com o trajeto funcional dos
dispositivos da esquerda para a direita.
Considere que os dispositivos so independentes quanto a probabilidade de falha.
Qual a probabilidade de que o circuito opere corretamente?
Sejam os eventos:
L o dispositivo esquerdo funciona corretamente,
R o dispositivo direito funciona corretamente.
0,8
0,9
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
77
Exemplo 31
Suponha que a probabilidade de que um wafer contenha uma grande partcula de
contaminao de 0.01, e que os wafers so independentes, isto , a probabilidade
de que um wafer contenha uma grande partcula no dependente das
caractersticas dos outros wafers.
Se 15 wafers so analisados, qual a probabilidade de que nenhuma grande partcula
de contaminao seja encontrada?
Seja o evento Ei o wafer i = 1,2,...,15 no contm nenhuma grande partcula de
contaminao.
P( Ei ) = 1 0,01 = 0,99
Os 15 wafers so independentes
P( E1 E 2 L E15 ) = P( E1 ) P( E 2 ) L P( E15 ) = (0,99)15 = 0,86
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
78
Exemplo 32
O circuito em paralelo abaixo que opera somente com o trajeto funcional dos
dispositivos da esquerda para a direita.
A probabilidade de que cada dispositivo funcione corretamente dada na figura.
Considere que os dispositivos so independentes quanto a probabilidade de falha.
Qual a probabilidade de que o circuito opere corretamente?
Sejam os eventos:
T
0,95
0,95
P(T B) = 1 P(T B ) = 1 P (T B )
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
79
Exemplo 33
Considere o processo de fabricao de semicondutores: contaminao de partculas.
Uma inspeo visual realisada nos wafers obtidos apos um processo fabricao de
semicondures resultou na tabela abaixo:
Probabilidade de falha
Nvel de contaminao
Probabilidade do Nvel
0,1
Alto
0,2
0,005
Baixo
0,8
Sejam os eventos:
F o evento o produto falha
H o evento o chip est expoto aos altos nveis de contaminao de partculas.
Qual a probabilidade de que o chip esteja expoto aos altos nveis de contaminao de
partculas, sabendo-se que o produto falhou?
A probabilidade pedida P (H/F).
No exemplo 25 calculamos P(F)=0,024.
Aplicando o teorema de Bayes:
IPRJ-UERJ
P( H / F ) =
P( F / H ) P( H ) 0,10 0,20
=
= 0,83
P( F )
0,024
Probabilidade e Estatstica
Ariane Ferreira
Conceitos de probabilidade
80
Lista de exerccios
Estudo Obrigatrio : Lista de exerccios 1
Estudo Opcional (mas importante):
Fazer os exemplos e exerccios (6.1 at 6.9) do capitulo 6 teoria elementar de
probabilidades do livro:
ESTATSTICA - 4 EDIO - COLEO SCHAUM MURRAY R. SPIEGEL,
LARRY J. STEPHENS - Editora Bookman
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira